Inception v3
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Google,University College London (UCL)
- Organisationsart
- Industry,Academia
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 2 December 2015
- Autoren
- Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Vision
- Aufgabe
- Image classification
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 23.6M
- Trainingsdaten
- 1,200,000 tokens
Table 3 from Xception paper
The full dataset is a lot larger and has far more categories. When people say "ImageNet" they're usually referring to the subset of the full dataset with 1000 categories and 1.2million images, found here: https://image-net.org/challenges/LSVRC/2012/
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 1 × 10²⁰ FLOP
- Wie es etabliert wurde
- Third-party estimation
Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 100,000 PFLOP = 1*10^20 FLOP
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Rechenkosten
- $1,218
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Grenzmodell
- Yes
- Warum es verfolgt wird
- Highly cited
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 30,915
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Rethinking the inception architecture for computer vision.
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
Inception v3 wurde veröffentlicht von Google,University College London (UCL), im Land aufgezeichnet als United States of America, während December 2015. Es stammt aus einer Organisation, die kategorisiert ist als industry,Academia.
Es funktioniert im Bereich von Vision, und wird als die Aufgabe von aufgezeichnet image classification.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Der Trainingslauf verbrauchte etwa 1 × 10²⁰ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wurde auf einem Korpus von etwa 1,200,000 Text-Tokens
Das Einschlusskriterium: highly cited.
Antworten
Inception v3 — Häufige Fragen
Inception v3— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1 × 10²⁰ FLOP. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Inception v3— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
Inception v3— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
Inception v3— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 23.6M. Table 3 from Xception paper. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
Inception v3— Wer hat es erstellt?
Es wurde veröffentlicht von Google,University College London (UCL), basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
Inception v3— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 2015. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Inception v3— Wofür wird es verwendet?
Es funktioniert im Bereich von Vision, und wird als Bewältigung der Aufgabe von image classification. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.